Jak AI może odciążyć obsługę klientów w Intercom i nie przegapić gorącego leada?

Tak, Intercom da się podłączyć do zewnętrznego AI przez REST API. Wyciągamy z niego rozmowy, tagi, przypisania do agentów i czasy odpowiedzi, a AI może na tej podstawie przygotować gotową wersję odpowiedzi do zatwierdzenia, wskazać brakujący artykuł w bazie pomocy albo automatycznie przekierować rozmowę do handlowca, gdy pytanie wygląda jak zapytanie zakupowe. Nie zastępuje to Fin AI wbudowanego w Intercom, ale daje Wam własny przepływ, niezależny od limitu funkcji w planie subskrypcji.

Co Intercom przechowuje i co z tego wyciągamy

Każda rozmowa w Intercom to obiekt z kilkudziesięcioma polami. Zanim cokolwiek podłączymy, warto wiedzieć, jakie dane mamy pod ręką. Najważniejsze z perspektywy AI:

• conversation_parts: lista wiadomości w rozmowie, kto je wysłał (agent czy klient), kiedy i z jakiego kanału (czat na stronie, e-mail, messenger)
• tags: etykiety przyklejone do rozmowy ręcznie albo regułą automatyczną, np. "reklamacja", "wycena", "pilne", "support"
• assigned_to: który agent albo który team aktualnie prowadzi rozmowę
• statistics.time_to_admin_reply: czas do pierwszej odpowiedzi agenta, w sekundach
• statistics.time_to_last_close: czas od otwarcia do zamknięcia rozmowy
• state: czy rozmowa jest otwarta, zamknięta czy odłożona (snoozed)
• conversation_rating: ocena CSAT, jeśli macie to włączone w ustawieniach
• source.type: skąd przyszła rozmowa, z czatu na stronie, e-maila czy formularza

Do tego dochodzą dane kontaktu: firma, plan, liczba wcześniejszych rozmów, data założenia konta. Te pola siedzą w Intercom przy każdym kontakcie i API je oddaje przy pobieraniu rozmowy. Gdy klient pisze po raz dwudziesty w tym miesiącu, AI to widzi i może inaczej sformułować propozycję odpowiedzi niż przy nowej osobie bez konta.

Jest też coś, co często umyka przy pierwszym spojrzeniu. Intercom przechowuje artykuły pomocy jako osobny zasób (Articles). Każdy artykuł ma pola: title, body, state (published albo draft), statistics.views i statistics.happy_reactions_percentage. Artykuły należą do kolekcji (Collections) i sekcji (Sections). Przez API możemy więc nie tylko odczytać treść artykułu, ale sprawdzić, które mają niskie oceny zadowolenia, które prawie nikt nie czyta, a temat regularnie pojawia się w rozmowach.

Jak wygląda podłączenie: REST API, token i webhooki

Intercom udostępnia REST API w wersji 2.11. Format JSON, autoryzacja przez nagłówek Authorization: Bearer {token}. Token generujecie w sekcji Developer Hub w ustawieniach workspace'a: Ustawienia > Developer Hub > Your Apps. Możecie tam stworzyć nową aplikację albo wejść w istniejącą i skopiować Access Token z zakładki Authentication. Developer Hub dostępny jest na płatnych planach, szczegóły zależą od aktualnej oferty Intercom.

Co trzeba mieć, żeby zacząć:

• Konto Intercom z rolą workspace owner albo admin
• Access token z zakresami: conversations:read, articles:read/write, tags:read/write, conversations:write (do wstawiania notatek wewnętrznych i zmiany przypisania)
• Publiczny adres URL albo narzędzie do tunelowania na etapie testów, jeśli chcecie webhooki w czasie rzeczywistym

Webhooki to druga droga obok cyklicznego pobierania danych. Możecie subskrybować zdarzenia: conversation.created, conversation.assigned, conversation_part.created. Intercom wysyła POST na Wasz adres z danymi rozmowy w ciągu sekund od zdarzenia. Dzięki temu AI reaguje zanim agent zdąży otworzyć skrzynkę.

Czego Intercom nie udostępnia przez API: wewnętrznego przetwarzania Fin AI, danych z kopii zapasowych Intercom i metadanych z niektórych typów wiadomości. Raporty zbiorcze z zakładki Reports mają ograniczony zasięg w API. Dane statystyczne na poziomie całego workspace'u lepiej pobierać eksportem CSV bezpośrednio z panelu, a do analizy w AI przesyłać je jako plik. To legalny i obsługiwany przez Intercom sposób, żaden obejście.

AI przygotowuje odpowiedź, zanim agent ją wyśle

Typowo wygląda to tak: wiadomość klienta trafia do skrzynki, webhook wywołuje AI, AI analizuje treść całej rozmowy i przygotowuje sugerowaną odpowiedź. Ta odpowiedź pojawia się w Intercom jako notatka wewnętrzna (internal note), widoczna tylko dla agenta, nie dla klienta. Agent czyta, poprawia albo zatwierdza i wysyła. Jedno kliknięcie zamiast pisania od zera.

U jednego klienta, firmy SaaS z kilkudziesięcioma rozmowami dziennie, wdrożyliśmy dokładnie ten przepływ. Każda nowa rozmowa oznaczona tagiem "support" dostawała w ciągu kilkudziesięciu sekund notatkę od AI z propozycją odpowiedzi i linkiem do artykułu z bazy pomocy, który pasował do pytania. Agenci przestali szukać artykułów ręcznie. AI już wskazało, który otworzył się przy ostatnich kilku podobnych pytaniach, więc wystarczyło sprawdzić i wysłać.

Co AI bierze pod uwagę przy przygotowaniu propozycji:

• Treść ostatnich conversation_parts: wiadomości klienta i wcześniejsze odpowiedzi agenta w tej rozmowie
• Atrybuty kontaktu: plan, firma, liczba poprzednich rozmów, jak długo jest klientem
• Tagi na rozmowie: czy to reklamacja, pytanie o ceny, prośba o demo
• Powiązane artykuły z bazy Intercom Articles: AI przeszukuje je i wskazuje pasujące

AI nie wysyła nic bez zgody agenta. Notatka to propozycja. Szczególnie przy reklamacjach i rozmowach, gdzie klient jest wyraźnie sfrustrowany, agenci i tak chcą mieć ostatnie słowo. W praktyce: przy prostych pytaniach technicznych agenci zatwierdzają propozycję AI bez zmian. Przy złożonych albo napięciowych rozmowach notatka służy jako punkt wyjścia do własnej odpowiedzi.

Skąd wiemy, o co klienci pytają i czego brakuje w bazie pomocy

Zbieramy rozmowy z ostatnich kilku miesięcy przez API, filtrujemy wiadomości od klientów (conversation_parts z type: comment i author.type: user) i wysyłamy do AI, żeby pogrupowało je tematycznie. Nie chodzi o odczytanie każdej z osobna. Chodzi o wyłapanie wzorców.

AI zwraca coś w stylu: "35 rozmów dotyczyło procesu anulowania subskrypcji, 28 pytało o integrację z narzędziem X, 19 zgłaszało trudności z importem CSV". To nie jest nic, czego nie widać w tagach, ale tagi musicie sami przypisywać. Gdy ich brakuje albo są niespójne, ten grupowy przegląd rozmów jest pierwszą rzetelną odpowiedzią na pytanie: o czym właściwie piszą klienci. Bez przekopywania setek wiadomości ręcznie.

Następny krok to porównanie tych grup z istniejącymi artykułami. Sprawdzamy, czy dla tematu "anulowanie subskrypcji" jest artykuł w odpowiedniej kolekcji w Intercom Articles. Jeśli nie ma, albo ma niskie statistics.happy_reactions_percentage, AI dostaje polecenie, żeby napisać szkic artykułu. Szkic trafia do Intercom Articles ze state: draft, skąd ktoś z zespołu go przegląda i publikuje.

Artykuły pisane w ten sposób zazwyczaj trafiają bardziej w sedno niż pisane z głowy. Bazują na rzeczywistych pytaniach, a nie na tym, co wydaje się ważne menedżerowi. Jedno zdanie z prawdziwej rozmowy potrafi zmienić cały styl artykułu, bo klienci inaczej nazywają ten sam problem niż techniczna dokumentacja produktu.

Warto też regularnie, raz w tygodniu albo raz w miesiącu, sprawdzać rozmowy bez przypisanego artykułu pomocy. AI analizuje je i wskazuje, który artykuł warto uzupełnić albo napisać od nowa. To prosty sposób na trzymanie bazy pomocy aktualnej bez osobnej osoby, która by za tym stała na co dzień.

Gorące leady: kiedy AI mówi handlowcowi, żeby się odezwał

Intercom zaczął jako narzędzie do onboardingu i wsparcia, ale spora część rozmów na czacie to zapytania przedsprzedażowe. Ktoś pyta: "Ile kosztuje plan dla 50 użytkowników?" albo "Czy działa to z naszym ERP?". Jeśli taka rozmowa dostanie odpowiedź za kilka godzin albo szablon bez kontekstu, prawdopodobnie ta firma pisze w tym czasie do kogoś innego.

AI czyta rozmowę i ocenia: pytanie techniczno-supportowe czy zakupowe. Gdy zakupowe i kontakt ma wypełnione pole company, jest na trialu albo jest zupełnie nową osobą bez konta, AI może:

• dodać tag "lead-sprzedaz" do rozmowy przez API
• przypisać rozmowę do teamu sprzedażowego (pole assigned_to, wartość team_id)
• zostawić notatkę wewnętrzną: "Pytanie o cennik dla 50 osób, nowa firma, brak konta, sugeruję kontakt w ciągu godziny"
• opcjonalnie: wysłać powiadomienie na Slack albo e-mail do konkretnego handlowca, który obsługuje dany segment

Handlowiec dostaje powiadomienie, widzi kontekst i odpowiada. Bez ręcznego przeglądania skrzynki i zgadywania, które rozmowy to naprawdę zainteresowani kupnem.

To wymaga jednej decyzji od Waszej strony: co jest dla Waszej firmy "gorącym leadem". Plan trial, firma powyżej pewnej liczby pracowników, konkretne słowa w treści rozmowy ("wycena", "decyzja w tym miesiącu", "pilne"), brak konta ale aktywna sesja na stronie cennika. AI klasyfikuje na podstawie Waszych kryteriów. Przez pierwsze tygodnie sprawdzacie, co trafia do handlowców, co nie i czy coś wymaga korekty. Po kilku iteracjach przepływ działa sam.

Od czego zaczynacie w praktyce

Zanim cokolwiek podłączymy, sprawdzamy razem, jak wygląda Wasza skrzynka. Ile rozmów miesięcznie, czy są tagi, czy chaos, jakie artykuły macie i których brakuje. To trwa godzinę i daje odpowiedź, od czego zacząć.

Kolejność ma znaczenie. Jeśli macie setki rozmów bez tagów i bałagan w przypisaniach, zanim wpuszczamy AI do skrzynki, porządkujemy tagi i reguły przypisania w Intercom. AI działające na nieuporządkowanych danych da chaotyczne wyniki i nikt nie będzie mu ufał.

Typowy pierwszy krok to analiza rozmów z ostatnich trzech miesięcy i lista tematów, o które klienci pytają. To nie wymaga webhook ani produkcyjnego wdrożenia. Wystarczy jednorazowe pobranie przez API, skrypt analizujący treści i raport z wynikami. Z tego wychodzi konkretny priorytet: co pisać pierwsze w bazie pomocy, gdzie są największe dziury i czy macie problem z gorącymi leadami, które giną w skrzynce bez odzewu handlowca.

Gdy macie raport, decydujecie, co robimy dalej: notatki AI dla agentów, uzupełnianie artykułów, routing leadów do sprzedaży. Każdy z tych przepływów można wdrożyć osobno i uruchamiać stopniowo, żeby agenci mieli czas się przyzwyczaić i żebyście widzieli, co naprawdę zmienia pracę, a co tylko wygląda fajnie na prezentacji.

Chcecie zobaczyć, co z Waszą skrzynką w Intercom można zrobić jako pierwsze? 15 minut rozmowy wystarczy, żeby to ocenić. Jeśli chcecie zobaczyć, jak podobne podłączenia działały u innych firm, zajrzyjcie do realnych wdrożeń.